TensorFlow 的 tf.feature_column 在 TF 2.x 中不推荐用于 Keras model.fit()，因其输出 SparseTensor/RaggedTensor 而 Keras 默认只接受密集 Tensor；唯一官方支持方式是通过 tf.keras.layers.DenseFeatures 封装并配合同名 tf.keras.Input 使用。
TensorFlow 的 tf.feature_column 在 TF 2.x 中已**不推荐用于 Keras 模型训练流程**，尤其在 model.fit() 场景下——它只在 Estimator API（如 tf.estimator.Estimator）中完整支持，而 Estimator 已被官方标记为 legacy。
为什么 FeatureColumn 在 Keras 中不能直接用 fit()？
因为 tf.feature_column 输出的是 SparseTensor 或 RaggedTensor，Keras Model 的 fit() 默认只接受密集 tf.Tensor；且 feature_column.input_layer() 必须显式接入模型输入，不能像 Estimator 那样自动解析 features 字典。
- 常见错误：把
feature_columns列表直接传给tf.keras.Model，报ValueError: Input 0 of layer ... is incompatible with the layer - 真实场景：你有一组混合类型特征（数值、类别、文本），想复用
tf.feature_column.categorical_column_with_vocabulary_list做预处理，但又不想写纯tf.data.Dataset.map()+tf.strings.split手动逻辑 - 性能影响：
feature_column的转换逻辑在tf.datapipeline 中执行时是可图优化的，但必须用tf.keras.layers.DenseFeatures封装，否则无法参与训练图构建
正确做法：用 DenseFeatures 层封装 feature_columns
tf.keras.layers.DenseFeatures 是唯一官方支持的桥接方式，它把 feature_column 转成 dense tensor 并兼容 Keras 输入。注意：它只接受 dict 输入（key=特征名，value=原始张量），且所有列必须是 feature_column 类型（不能混用普通 Layer）。
- 必须用
tf.keras.Input(..., name='xxx')显式声明每个输入字段名，且 name 要和feature_column的key一致 -
numeric_column直接接收标量或 1D 张量；categorical_column_with_vocabulary_list接收字符串张量，但需先用tf.strings.as_string()或确保数据已是 string dtype - 示例片段：
import tensorflow as tf
<h1>定义列</h1><p>age_col = tf.feature_column.numeric_column('age')
city_col = tf.feature_column.categorical_column_with_vocabulary_list(
'city', ['NYC', 'LA', 'SF']
)
city_emb = tf.feature_column.embedding_column(city_col, dimension=4)</p><h1>构建输入层（注意：key 名必须匹配后续 feed_dict 的 key）</h1><p>feature_layer = tf.keras.layers.DenseFeatures([age_col, city_emb])</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill7657" title="python 查询技能"><img
src="https://img.php.cn/upload/skill/000/000/081/179161384046229.jpg" alt="python 查询技能" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill7657" title="python 查询技能">python 查询技能</a>
<p>查询客流数据，输出JSON格式，可直接导入Bitable等可视化工具</p>
</div>
<a href="/xiazai/skill7657" title="python 查询技能" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p><h1>Keras 模型输入（name 必须和 feature_column key 一致）</h1><p>inputs = {
'age': tf.keras.Input(shape=(1,), name='age', dtype=tf.float32),
'city': tf.keras.Input(shape=(1,), name='city', dtype=tf.string)
}</p><p>x = feature_layer(inputs) # → shape: (None, 1 + 4)
output = tf.keras.layers.Dense(1, activation='sigmoid')(x)</p><p>model = tf.keras.Model(inputs=inputs, outputs=output)容易踩的坑：dtype、shape 和 vocabulary 初始化
三个最常导致 InvalidArgumentError 或静默结果异常的点：
-
tf.feature_column.categorical_column_with_vocabulary_list要求输入 dtype 是tf.string，如果喂入 int（比如从 CSV 读出的 0/1），会直接报错 —— 必须提前tf.cast(x, tf.string)或改用categorical_column_with_identity - vocabulary list 必须在构建模型前就确定；若用
categorical_column_with_vocabulary_file，文件路径必须在所有 worker 上可访问（分布式训练时易出问题） - 对于变长特征（如多值类别），
tf.feature_column.categorical_column_with_vocabulary_list('tags', ...)默认接受shape=(None, None)输入，但tf.keras.Input无法声明 ragged shape，此时必须用tf.RaggedTensorSpec+ 自定义tf.data.Dataset配合，不能走标准model.fit(x=...)
真正要用好 feature_column，核心不是“怎么写”，而是“在哪用”：它本质是 Estimator 生态的预处理契约，强行塞进 Keras 会暴露大量边界 case。如果你的数据 pipeline 已稳定用 tf.data，更轻量的做法是直接用 tf.keras.layers.StringLookup + tf.keras.layers.CategoryEncoding 替代大部分 categorical column 功能。
